Atividade Prática IA - Rede Neural

Prévia do material em texto

Atividade Prática 
 
Inteligência Artificial Aplicada 
 
Cezar Augusto Roggia 
Centro Universitário UNINTER 
Rod. Armando Calil Bulos, 6201 - sala 103 – Ingleses – Florianópolis 
cezarfw@gmail.com 
 
 Resumo: Treinar o neurônio de Rosenblatt para que identifique o meu registro da Uninter. 
 Como fazer: Utilizar uma planilha eletrônica (Excel) criando 8 células de entrada (correspondente a 
cada dígito do RU) e uma célula de saída que terá valor 1 se o registro for o seu e valor -1 se não for. 
O processamento entre as células de entrada e a saída deverá seguir o modelo de Rosenblatt. 
 
1. Objetivo 
Essa atividade tem como intuito aprofundar o conhecimento acerca dos procedimentos para o 
desenvolvimento e treinamento de uma rede Neural Artificial. 
 
2. Introdução 
 
Rede Neural Artificial (RNA) pode ser definida como uma estrutura complexa interligada por 
elementos de processamento simples (neurônios), que possuem a capacidade de realizar operações 
como cálculos em paralelo, para processamento de dados e representação de conhecimento. 
Um neurônio de uma rede neural é um componente que calcula a soma ponderada de vários inputs, 
aplica uma função e passa o resultado adiante. 
Rede neural artificial é uma abstração da rede neural biológica. Seu objetivo não é replicar, mas sim 
servir de modelo para o aprendizado e resoluções de problemas complexos. 
 
 
 
mailto:cezarfw@gmail.com
 
3. Procedimentos de desenvolvimento do Neurônio de Rosenblatt 
3.1. Dados: Pelo Google sheets foi criado uma planilha eletrônica (Planilha) para o projeto e nela 
inserido 197 amostras que iniciam na linha 41 e vão até a linha 237. 
- Coluna 1: Referência da amostra 
- Coluna 2: Primeiro dígito do RU 
- Coluna 3: Segundo dígito do RU 
- Coluna 4: Terceiro dígito do RU 
- Coluna 5: Quarto dígito do RU 
- Coluna 6: Quinto dígito do RU 
- Coluna 7: Sexto dígito do RU 
- Coluna 8: Sétimo dígito do RU 
- Coluna 9: Valor desejado 
- Coluna 10: RU 
 
 
OBS: Os números contidos na linha 41 são respectivos ao meu RU. 
 
Esses dados serão utilizados no treinamento do neurônio. 
 
 
 
 
 
 
 
 
https://docs.google.com/spreadsheets/d/1bcha82qkwmshDty2GMsPHNVELDT47PiJgRSskX1XogU/edit?usp=sharing
3.2. Macro: A planilha contém automação para realizar o treinamento via macro, o código segue abaixo 
 
4. Entendendo a estrutura da planilha para treinamento do Neurônio 
4.1. Na linha 4 realizo a inserção/substituição dos dados com base nas 197 amostras, uma por vez. 
4.2. Na mesma linha mas na penúltima coluna que é mostrado no print abaixo temos o valor que desejamos e 
na última coluna realizamos os cálculos que é apresentado abaixo. 
4.3. Na linha 7 temos o bias e a taxa de aprendizagem. 
4.4. Na linha 5 e última coluna temos a soma das entradas que utiliza a formula: 
=(B4*A14)+(C4*B14)+(D4*C14)+(E4*D14)+(F4*E14)+(G4*F14)+(H4*G14)+(B7) 
 
 
 
4.5. Na linha 4 e coluna L do print acima temos a função de ativação, que nesse caso se dá pela condicional 
“se”, como pode ser observado na fórmula abaixo: 
=IF(J4>0;1;-1) 
4.6. Na mesma linha 4 mas agora na coluna M temos o cálculo de erro que se dá pela subtração do valor 
esperado/desejado pela saída, segue fórmula abaixo: 
=I4-L4 
 
 
 
4.7. Na linha 14 ficam armazenados os pesos das entradas. 
 
 
4.8. Na linha 23 e 26 temos o valor da variação dos pesos das entradas e do bias respectivamente, que são 
calculados por: erro x taxa de aprendizado x o peso atual 
a) Variação dos pesos das entradas (delta das entradas): 
=$M$4*$E$7*B4 
 
b) Variação do peso do bias (delta do bias): 
=M4*E7*B7 
 
 
 
 
4.9. Após calcularmos os deltas, que são as variações baseadas nos pesos, erros e taxa de aprendizagem, 
teremos novos valores de pesos, tanto para as entradas quanto para o bias, conforme poderá observar no print 
abaixo. 
Os pesos iniciados serão atualizados com os valores dos novos pesos e será assim até o final do 
treinamento. 
 
 
4.10. A planilha também conta com um campo para configurar a quantidade de épocas desejadas para o 
treinamento e mais dois campos com informações de execução do treinamento, apresentando qual a amostra 
que está sendo utilizada e a época respectiva. 
O botão treinar é responsável pela execução do treinamento propriamente dito. 
 
 
5. Treinamento do Neurônio de Rosenblatt 
 
Os valores de inicialização são: 
- Pesos das entradas: -0,5 
- Bias: 0,5 
 
Quantidade de épocas: 8 
 
 
 
Valor da saída com base no meu RU não está de acordo com o esperado, retornando erro conforme print 
abaixo: 
 
 
 
Clicando no botão “Treinar” iniciamos o treinamento e chegamos ao resultado esperado depois de 8 épocas, 
conforme pode ser visualizado: 
 
 
 
Alerta: Como o Google sheets tem limitação para execução de scripts (macros), foi preciso dividir o 
treinamento em dois com 4 épocas cada, totalizando 8 épocas. Essa limitação faz parte do serviço do Google 
sheets.
Visualização da planilha com os dados de início do treinamento 
 
 
 
 
 
a) Primeiro treinamento: Utilizadas 4 épocas com 197 amostras, totalizando 788 amostras. 
 
Observe que ainda estamos com erro utilizando o número do meu RU nas entradas mas os pesos estão alterados e o cálculo das entradas apresenta valor 
diferente de quando iniciamos o treinamento. 
 
 
b) Segundo treinamento: Utilizadas 4 épocas com 197 amostras, totalizando 788 amostras. 
 
Com 8 épocas e um total de 1576 amostras utilizadas chegamos ao resultado esperado e consequente reconhecimento do RU (1955538), conforme pode 
ser observado no print abaixo: 
 
 
 
6. Conclusão 
 
O treinamento realizado para identificar o RU é dito como treinamento supervisionado do modelo de 
rede Perceptron, que consiste em ajustar os pesos e os thresholds de suas unidades para que a 
classificação desejada seja obtida. 
 
Para a adaptação do threshold juntamente com os pesos consideramos o peso associado a uma 
conexão, cuja entrada são sempre “1” ou “-1” e adaptar o peso relativo a essa entrada. 
 
Quando um padrão é inicialmente apresentado à rede, ela produz uma saída. Após medir a distância 
entre a resposta atual e a desejada, são realizados os ajustes apropriados nos pesos das conexões de 
modo a reduzir esta distância. Este procedimento é conhecido como Regra Delta. 
 
Os pesos serão atualizados constantemente até o fim do treinamento, que em nosso caso, com 8 
épocas conseguimos alcançar o objetivo, que é identificar o valor do meu RU. 
 
 
 
7. Referências. 
 
1. “Neural Networks - A Comprehensive Foundation,” - Simon S. Haykin 
2. “Fundamental of Neural Networks - Architectures, Algorithms and Applications,” - Laurene V. 
Fausett 
3. Redes Neurais Artificiais, Perceptron Simples - Serafim Nascimento 
4. Construa um neurônio artificial do zero - Prof Francisco Calaça